پیشبینی کوتاه مدت توان فتوولتاییک در نیروگاه خورشیدی به کمک روشهای یادگیری عمیق
نویسندگان
1 گروه مهندسی کامپیوتر، دانشگاه بجنورد، بجنورد، ایران
2 گروه مهندسی کامپیوتر، دانشگاه بجنورد، بجنورد، ایران
doi
10.22034/jrenew.2023.186514چکیده
امروزه افزایش روزافزون مصرف انرژی در جهان، محدود بودن سوختهای فسیلی و بالابودن میزان آلایندگی آنها، استفاده از انرژی های نو و تجدید پذیر همانند انرژی خورشیدی، باد و گرمایی زمین را مورد توجه همگان قرار داده است. انرژی خورشیدی یکی از این انرژیها است که مزایای متعددی از جمله نداشتن آلودگیهای صوتی و زیست محیطی و رایگان بودن انرژی اولیه دارد. با این وجود، میزان توان تولیدی فتوولتاییک در نیروگاهها به علت وابسته بودن به شرایط مختلف از جمله وضعیت آب و هوایی قابل کنترل نیست. این در حالیست که به منظور فراهم آوردن انرژی الکتریکی با کیفیت بالا برای مصرفکنندگان نهایی و بهبود قابلیت اطمینان سیستم، نیازمند پیش بینی دقیق آن هستیم. در این تحقیق سه مدل برای پیشبینی کوتاه مدت توان خروجی یک نیروگاه پیشنهاد شده که مبتنی بر شبکه عصبی عمیق بوده و از نظر نوع ورودی ها و ساختار شبکه با هم متفاوت هستند. مدلهای پیشنهادی در ساختارشان از شبکه حافظه کوتاه مدت طولانی (LSTM) استفاده کرده و از توانهای خروجی قبلی و پارامترهای آب و هوایی به عنوان ورودی بهره برده اند. آزمایشهای انجام شده نشان میدهد، استفاده از ورودیهایی مبتنی بر شرایط آب و هوایی، در کنار توانهای خروجی قبلی منجر به افزایش دقت پیشبینی میشود. همچنین استفاده از ساختارهای پیچیدهتر در شبکه، به بهبود کارایی کمک میکند.
